Tóm tắt Luận án Tiến sĩ Kỹ thuật: Nghiên cứu giải pháp nâng cao hiệu năng định hướng nguồn tín hiệu vô tuyến ứng dụng mạng nơ ron học sâu

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:27

Thêm vào BST

Báo xấu

21
lượt xem 2
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Tóm tắt Luận án Tiến sĩ Kỹ thuật "Nghiên cứu giải pháp nâng cao hiệu năng định hướng nguồn tín hiệu vô tuyến ứng dụng mạng nơ ron học sâu" được nghiên cứu với mục tiêu: Nghiên cứu đề xuất các mô hình mạng nơ ron học sâu; kết hợp mạng nơ-ron học sâu với thuật toán ước lượng truyền thống nhằm nâng cao hiệu năng định hướng.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Tóm tắt Luận án Tiến sĩ Kỹ thuật: Nghiên cứu giải pháp nâng cao hiệu năng định hướng nguồn tín hiệu vô tuyến ứng dụng mạng nơ ron học sâu

BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ QUỐC PHÒNG VIỆN KHOA HỌC VÀ CÔNG NGHỆ QUÂN SỰ NGUYỄN DUY THÁI NGHIÊN CỨU GIẢI PHÁP NÂNG CAO HIỆU NĂNG ĐỊNH HƯỚNG NGUỒN TÍN HIỆU VÔ TUYẾN ỨNG DỤNG MẠNG NƠ RON HỌC SÂU Ngành : Kỹ thuật điện tử Mã số : 9 52 02 03 TÓM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT Hà Nội – 2024
CÔNG TRÌNH ĐƯỢC HOÀN THÀNH TẠI VIỆN KHOA HỌC VÀ CÔNG NGHỆ QUÂN SỰ Người hướng dẫn khoa học: 1. PGS. TS Hoàng Văn Phúc 2. TS Lê Thanh Hải Phản biện 1: PGS. TS Phạm Minh Nghĩa Học viện Kỹ thuật quân sự Phản biện 2: PGS. TS Nguyễn Cảnh Minh Đại học Giao thông Vận tải Phản biện 3: TS Vũ Lê Hà Viện Khoa học và Công nghệ quân sự Luận án được bảo vệ trước Hội đồng đánh giá luận án tiến sĩ cấp Viện tại Viện Khoa học và Công nghệ Quân sự, vào hồi giờ , ngày tháng năm 2024. Có thể tìm hiểu luận án tại: - Thư viện Viện Khoa học và Công nghệ quân sự - Thư viện Quốc gia Việt Nam
1 MỞ ĐẦU 1. Tính cấp thiết của đề tài luận án Định hướng (ước lượng hướng đến) nguồn tín hiệu vô tuyến đóng vai trò quan trọng trong nhiều lĩnh vực. Các phương pháp định hướng truyền thống với điểm chung là dựa trên mô hình giả định với cấu trúc mảng ăng ten lý tưởng, cho trước. Do đó, nếu có bất kỳ sai lệch nào trong quá trình chế tạo, thiết đặt mảng ăng ten hoặc lỗi xuất hiện từ đường truyền sẽ tác động rất lớn đến độ chính xác. Có thể khắc phục sai số xảy ra bằng cách hiệu chỉnh pha và biên độ giữa các kênh thu, tuy nhiên giải pháp này kém hiệu quả nếu các sai lệch là phi tuyến, ngẫu nhiên và độc lập. Trong những năm gần đây, các mô hình mạng nơ ron đã được nghiên cứu đề xuất cho bài toán ước lượng hướng đến. Với tính chất học tập từ dữ liệu, mạng nơ ron có khả năng thích ứng với dữ liệu mà không cần thông tin tiên nghiệm về mảng ăng ten hay đường truyền. Do đó, có thể tự động hiệu chỉnh các sai số để cho kết quả ước lượng chính xác hơn. Xuất phát từ những lý do trên, luận án tiến sĩ “Nghiên cứu giải pháp nâng cao hiệu năng định hướng nguồn tín hiệu vô tuyến ứng dụng mạng nơ ron học sâu” được đặt ra là phù hợp với xu hướng, có ý nghĩa khoa học và thực tiễn. 2. Mục tiêu nghiên cứu của luận án Mục tiêu của đề tài luận án là nghiên cứu đề xuất các mô hình mạng nơ ron học sâu; kết hợp mạng nơ-ron học sâu với thuật toán ước lượng truyền thống nhằm nâng cao hiệu năng định hướng. 3. Đối tượng và phạm vi nghiên cứu Đối tượng nghiên cứu: Tín hiệu vô tuyến, các tham số của tín hiệu. Mô hình, kỹ thuật xử lý tín hiệu mảng. Các thuật toán truyền thống, mô hình học máy và học sâu áp dụng cho bài toán ước lượng hướng đến; Phạm vi nghiên cứu: Tín hiệu có dạng băng hẹp. Hướng đến được xem xét trong mặt phẳng phương vị. Mảng ăng ten dạng tuyến tính. Số lượng nguồn tín hiệu nhỏ hơn số phần tử ăng ten. 4. Phương pháp nghiên cứu Kết hợp nghiên cứu lý thuyết, giải tích, mô tả toán học để xây dựng các mô hình; Mô phỏng, đánh giá các mô hình bằng phần mềm Matlab. 5. Nội dung nghiên cứu Nghiên cứu tổng quan lý thuyết; Nghiên cứu mô hình thu và các kỹ thuật xử lý tín hiệu mảng; Nghiên cứu, đánh giá khả năng và đề xuất các mô hình mạng nơ-ron học sâu nâng cao hiệu năng định hướng. 6. Ý nghĩa khoa học và thực tiễn của đề tài luận án
2 Kết quả của luận án sẽ góp phần tạo ra một số giải pháp, mô hình ứng dụng mạng nơ ron học sâu nâng cao hiệu năng định hướng nguồn tín hiệu vô tuyến, có tiềm năng ứng dụng trong thực tiễn. 7. Bố cục của luận án Bố cục của Luận án gồm 3 chương: Chương 1 TỔNG QUAN VỀ VỀ ĐỊNH HƯỚNG NGUỒN TÍN HIỆU VÔ TUYẾN 1.1. Giới thiệu về định hướng nguồn tín hiệu vô tuyến Định hướng nguồn tín hiệu vô tuyến là bài toán nhằm xác định hướng tới (DOA: Direction of Arrival) của các nguồn tín hiệu vô tuyến lan truyền trong không gian. Các tiêu chí đánh giá hiệu năng định hướng: Độ chính xác; Độ phân giải; Tốc độ xử lý; Khả năng định hướng các nguồn tín hiệu tương quan; Độ nhạy; Khả năng kháng nhiễu. Các yếu tố ảnh hưởng đến hiệu năng định hướng: Số phần tử của mảng; Khoảng cách giữa các phần tử; Số lượng mẫu; Tỷ số SNR; Tính tương quan giữa các tín hiệu. 1.2. Mô hình tín hiệu mảng ăng ten 1.2.1. Mô hình tổng quát Giả sử có P nguồn tín hiệu đến mảng ăng ten gồm M phần tử. Biểu thức tín hiệu thu được bởi mảng ăng ten:  x1 (t )   e e 1,P P P   s1 (t )   n1 (t )  j1,1 ( 1 ,1 ) j (  ,  ) j (  ,  ) e 1,2 2 2  x (t )   j2,1 ( 1 ,1 ) j (  ,  ) j (  ,  )       = e e 2,2 2 2 e 2,P P P   s2 (t )   n2 (t )   + 2 (1.2)                xM (t )  e jM ,1 ( 1 ,1 ) e jM ,2 ( 2 ,2 )  e M ,P P P   sP (t )   nM (t )  j (  ,  )  Viết gọn: x = A  s + n , với x là tín hiệu thu được bởi mảng, s là tín hiệu tới mảng, n là vector nhiễu, A là ma trận định phương. Tại máy thu, tín hiệu từ các phần tử ăng ten được số hóa với chu kỳ lấy mẫu Ts.  x1   x1 (Ts ) x1 (2Ts ) x1 ( NTs )   x   x (T ) x2 (2Ts ) x2 ( NTs )  x= 2 = 2 s  (1.5)          x M   xM (Ts ) xM (2Ts ) xM ( NTs )  Ở đây, N là số lượng mẫu trong một cửa sổ tín hiệu. Trường hợp máy thu
3 sử dụng kênh cầu phương tín hiệu I/Q thì x là ma trận ba chiều có kích thước M×N×2. Ma trận hiệp phương sai của tín hiệu đầu ra thu bởi mảng ăng ten: R x = xxH = Ass H AH + Rn = AR s AH + 2 I N (1.6) Trong đó: xH là ma trận chuyển vị liên hiệp phức Hamilton của ma trận x. Rs và Rn lần lượt là ma trận hiệp phương sai của tín hiệu và nhiễu, I là ma trận đơn vị. 1.2.2. Mô hình tín hiệu mảng tuyến tính Mảng tuyến tính không đồng đều (NLA):  1 1 1   2 d1 sin 1 2 d1 sin 2 2 d1 sin  P   e− j 1 e −j 2 e −j P  A=  (1.9)    2 dM −1 sin 1 2 d M −1 sin 2 2 d M −1 sin P   − j 1 −j 2 −j P  e e e  Mảng tuyến tính đồng đều (ULA):  1 1 1   2 d sin 1 2 d sin 2 2 d sin  P   e− j 1 e −j 2 e −j P  A=  (1.10)    2 ( M −1) d sin 1 2  ( M −1) d sin 2 2  ( M −1) d sin P   −j 1 −j 2 −j P  e e e  1.3. Các phương pháp truyền thống định hướng nguồn tín hiệu 1.3.1. Phương pháp quét búp sóng 1.3.1.1. Phương pháp CBF. a( ) H R xx a( ) P( ) = (1.14) a( ) H a( ) 1.3.1.2. Phương pháp Capon 1 PCapon ( ) = (1.17) a( ) H R −1a( ) xx 1.3.2. Phương pháp phân tích không gian con 1.3.2.1. Phương pháp MUSIC 1 PMUSIC ( ) = , i = argmax(PMUSIC )  PThresh , i = 1,2,..., P (1.19) a( ) H E N E H a( ) N
4 1.3.2.2. Phương pháp RootMUSIC  P( z) = a( z) H EN EH a( z) ,  = arcsin( arg( zm )) (1.23) N 2 d 1.3.2.3. Phương pháp ESPRIT  z1 0 0  0 0  Γ= z2  , Rcross = x1x2 = AΓH Rss AH (1.27) H     0 0 zM  Thực hiện phân rã ma trận Rcross để tìm giá trị riêng và vector riêng của không gian tín hiệu. Từ đó tính toán góc DOA như RootMUSIC. 1.4. Trí tuệ nhân tạo và ứng dụng định hướng nguồn tín hiệu vô tuyến 1.4.1. Khái quát về trí tuệ nhân tạo, học máy, học sâu 1.4.2. Mạng nơ ron nhân tạo 1.4.3. Mạng nơ ron tích chập 1.4.4. Ứng dụng trí tuệ nhân tạo định hướng nguồn tín hiệu vô tuyến Có nhiều hướng tiếp cận. Theo bài toán phân loại, một số nghiên cứu sử dụng dữ liệu I/Q tại đầu ra của mảng ăng ten làm đầu vào mô hình, giá trị góc tới tương ứng được sử dụng làm nhãn. Bằng phương pháp học có giám sát, góc tới nguồn tín hiệu sẽ được phân loại. Một số nghiên cứu thực hiện bước tiền xử lý, biến đổi dữ liệu I/Q thành ma trận hiệp phương sai và sử dụng ma trận này là đầu vào cho các mô hình; Với hướng tiếp cận bài toán hồi quy, các nghiên cứu đề xuất mô hình tự động mã hóa-giải mã nhằm biến đổi dữ liệu đầu vào thành lý tưởng sau đó áp dụng các thuật toán định hướng truyền thống để ước lượng hướng đến. 1.5. Tình hình nghiên cứu về định hướng nguồn tín hiệu vô tuyến 1.5.1. Tình hình nghiên cứu trong nước Các nghiên cứu, công bố trong nước ứng dụng trí tuệ nhân tạo cho bài toán định hướng nguồn tín hiệu vô tuyến đến nay là khá hạn chế. 1.5.2. Tình hình nghiên cứu ngoài nước Những năm gần đây, các nghiên cứu ngoài nước về định hướng nguồn tín hiệu dựa trên học máy và học sâu khá đa dạng, với nhiều hướng tiếp cận và đã đạt được những kết quả nhất định. Tuy nhiên các nghiên cứu phần lớn mới chỉ xem xét bài toán với một nguồn tới. Đặc biệt, rất ít nghiên cứu xét bài toán trong các điều kiện thực tế khi tồn tại các sai số hệ thống mảng ăng ten, sai số đường truyền và trường hợp tín hiệu tương quan.
5 1.6. Đặt vấn đề nghiên cứu Các phương pháp ước lượng DOA truyền thống đều dựa trên mô hình giả định với cấu trúc mảng ăng ten lý tưởng, cho trước nên có nhược điểm chung cố hữu: Nếu có bất kỳ sai lệch nào trong quá trình chế tạo, thiết đặt mảng ăng ten hoặc lỗi đường truyền, sự bất đồng nhất trong các tuyến thu sẽ tác động rất lớn đến độ chính xác ước lượng DOA. Việc áp dụng các mô hình học sâu đã mang lại nhiều lợi thế trong việc khắc phục những tồn tại của phương pháp định hướng truyền thống. Trên cơ sở đó, luận án tập trung nghiên cứu các vấn đề chính như sau: ➢ Đề xuất mô hình mạng nơ-ron tích chập cấu trúc kết nối dư (DOA- ResNet) ước lượng DOA cho mảng ăng ten tuyến tính không đồng đều. ➢ Đề xuất mô hình mạng nơ-ron tích chập kết nối dư phép nhân (DOA-CNN) nâng cao hiệu năng ước lượng DOA cho mảng ăng ten tuyến tính đồng đều trong các trường hợp có sai số hệ thống. ➢ Đề xuất mô hình mạng nơ-ron Unet chỉ sử dụng lớp kết nối đầy đủ (UFCnet) kết hợp với thuật toán MUSIC, RootMUSIC nâng cao hiệu năng ước lượng DOA trong các trường hợp có sai số hệ thống. ➢ Đề xuất mô hình mạng nơ-ron UNet sử dụng lớp tích chập kết hợp với thuật toán MUSIC, RootMUSIC nâng cao hiệu năng ước lượng DOA nguồn tín hiệu tương quan trong các trường hợp có sai số hệ thống. 1.7. Kết luận chương 1 Chương 1 giới thiệu tổng quát về bài toán định hướng đến nguồn tín hiệu vô tuyến. Mô hình hóa quá trình thu tín hiệu mảng ăng ten. Trình bày các phương pháp định hướng điển hình và phương pháp dựa vào trí tuệ nhân tạo. Tổng quan tình hình nghiên cứu trong và ngoài nước, các vấn đề còn tồn tại, từ đó đặt vấn đề nghiên cứu. Chương 2 GIẢI PHÁP NÂNG CAO HIỆU NĂNG ĐỊNH HƯỚNG NGUỒN TÍN HIỆU VÔ TUYẾN BẰNG MẠNG NƠ RON TÍCH CHẬP KẾT NỐI DƯ 2.1. Đánh giá khả năng ước lượng DOA của các thuật toán học máy 2.2. Đánh giá khả năng ước lượng DOA của mạng nơ ron Qua khảo sát ban đầu (Hình 2.9), CNN cho độ chính xác ước lượng DOA tốt hơn so với 2 thuật toán học máy và mô hình MLP. Ngoài ra, với lợi thế khác biệt từ cấu trúc; có khả năng xử lý một lượng lớn dữ liệu trong thời gian ngắn; có khả năng học hỏi, hiệu chỉnh các sai số, CNN là lựa chọn phù hợp cho bài toán định hướng nguồn tín hiệu vô tuyến.
6 Hình 2.9. Độ chính xác ước lượng DOA của SVM, kNN, MLP và CNN 2.3. Nghiên cứu đề xuất mô hình CNN cấu trúc kết nối dư ước lượng DOA cho mảng ăng ten tuyến tính không đồng đều 2.3.1. Cấu trúc mô hình DOA-ResNet đề xuất Mô hình DOA ResNet được kết cấu bởi một dãy gồm 5 khối dư 1÷5 và khối đầu ra. Các khối dư đóng vai trò như các khối trích chọn đặc trưng, còn khối đầu ra đóng vai trò như bộ phân loại cuối. Mỗi khối dư gồm hai nhánh. Nhánh chính đảm nhiệm chức năng trích chọn đặc trưng của luồng dữ liệu, nhánh phụ đảm nhiệm chức năng truyền đặc trưng cũ từ lớp chuẩn hóa đến kết hợp với đầu ra của nhánh chính tại lớp cộng. Hình 2.10. Cấu trúc của mạng nơ-ron DOA-ResNet đề xuất 2.3.2. Tạo lập dữ liệu, huấn luyện và kiểm tra mô hình Mảng ăng ten NLA có 5 phần tử với các khoảng cách: d1 = 3/2, d2 = 5/2, d3 = 7/2 và d4 = 10/2. Tín hiệu: tần số 1090 MHz, băng thông 10MHz, tỉ số SNR: -20 dB đến 10 dB bước cách 1dB, góc tới từ -60° đến +60°, bước cách 1o. Cửa sổ tín hiệu bao gồm 1024 mẫu. Mô hình có đầu vào là ma trận tín hiệu thu x, đầu ra là góc dự đoán.
7 Tham số đánh giá: sai số quân phương (RMSE), độ chính xác phân loại (Tổng dự đoán đúng/Tổng quan sát) và thời gian thực thi. 1 Q P RMSEDOA =  (i , j − i , j )2 QP i =1 j =1 trong đó:  và  lần lượt là góc ước lượng và góc đúng; P là số nguồn tín hiệu; Q là số lượng kiểm tra (số vòng lặp). 2.3.3. Đánh giá hiệu năng ước lượng DOA của mô hình DOA-ResNet khi thay đổi số lượng kênh lọc Hình 2.13. Độ chính xác phân loại và sai số ước lượng DOA của mô hình DOA-ResNet khi thay đổi số lượng kênh lọc Bảng 2.1. Độ lớn và thời gian thực thi của DOA-ResNet khi thay đổi số lượng kênh lọc Số lượng kênh lọc Số lượng trọng số mô hình Thời gian thực thi 16 kênh lọc 83531 (6,8 ± 0,5) ms 32 kênh lọc 141803 (6,9 ± 0,5) ms 64 kênh lọc 307499 (8,1 ± 0,5) ms 2.3.4. Đánh giá hiệu năng ước lượng DOA của mô hình DOA-ResNet khi thay đổi kích thước kênh lọc Hình 2.14. Độ chính xác và sai số ước lượng DOA của mô hình DOA- ResNet khi thay đổi kích thước kênh lọc
8 Bảng 2.2. Độ lớn và thời gian thực thi của DOA-ResNet khi thay đổi kích thước kênh lọc Kích thước kênh lọc Số lượng trọng số mô hình Thời gian thực thi 1×3 240683 (8.0 ± 0,5) ms 1×5 274091 (8.0 ± 0,5) ms 1×7 307499 (8.1 ± 0,5) ms Từ các kết quả nhận được, có thể rút ra sự đánh đổi hiệu năng tốt nhất ở mô hình DOA-ResNet 64 kênh lọc, kích thước 1x7. 2.3.5. So sánh hiệu năng ước lượng DOA của mô hình DOA-ResNet với các thuật toán học máy Hình 2.15. Độ chính xác ước lượng DOA của mô hình DOA-ResNet và các thuật toán học máy Mô hình DOA-ResNet cho độ chính xác tốt hơn 2 thuật toán học máy, đặc biệt khi SNR nhỏ hơn 0 dB. Thời gian xử lý của các thuật toán: 20 ms với SVM, 11 ms với kNN và 8.1ms với DOA-ResNet. 2.4. Nghiên cứu đề xuất mô hình CNN cấu trúc kết nối dư phép nhân tự động hiệu chỉnh sai số hệ thống nâng cao hiệu năng ước lượng DOA 2.4.1. Mô hình tín hiệu mảng ăng ten có chứa sai số hệ thống  1 1 1   2 ( d1 +d1 )sin 1 2 ( d1 +d1 )sin 2 2 ( d1 +d1 )sin  P    e− j (  +1 ) 1e − j(  +1 ) 1e − j(  +1 )  A( ,  ) =  1     2 ( d M −1 +d M −1 )sin 1 2 ( d M −1 +d M −1 )sin 2 2 ( d M −1 +d M −1 )sin  P  +M −1 ) +M −1 ) +M −1 )  e− j (   M −1e − j(   M −1e − j(    M −1  Ma trận hiệp phương sai: (2.26) Rx () = xx = A(, )ss A(, ) + Rn = A(, )R s A(, ) +  I H H H H 2 N (2.19) 2.4.2. Cấu trúc mô hình DOA-CNN đề xuất
9 Hình 2.17. Cấu trúc mô hình DOA-CNN đề xuất Mô hình được cấu thành từ nhiều lớp, nhiều khối để trích xuất đặc trưng dữ liệu. Khối CNR gồm ba lớp nối tiếp: tích chập (Conv), chuẩn hóa (Norm) và kích hoạt (ReLU). Khối CR gồm hai lớp Conv và ReLU. Các khối CR kết hợp với nhau thông qua lớp nhân nhằm tăng cường tính đại diện đặc trưng dữ liệu theo phép nhân. 2.4.3. Tạo lập dữ liệu, huấn luyện và kiểm tra mô hình Bảng 2.3. Tham số giả định tạo tập dữ liệu huấn luyện và kiểm tra Tham số Giá trị Tham số Giá trị Tần số trung tâm 1090 MHz Mảng ăng ten ULA Băng thông 10 MHz Khoảng cách phần tử d = /2 Số lượng mẫu 1024 Góc đến U{-60°, 60°, 1°} Số lượng phần tử 8 Mức nhiễu U{-20, 10, 1} dB Mô hình được huấn luyện và kiểm tra với tập dữ liệu có đầu vào là ma trận hiệp phương sai, đầu ra là góc dự đoán. 2.4.4. Đánh giá độ chính xác ước lượng DOA của mô hình DOA-CNN trong các trường hợp có sai số hệ thống 2.4.4.1. Đánh giá độ chính xác ước lượng DOA khi thiết đặt chính xác vị trí các phần tử ăng ten Hình 2.20. Độ chính xác ước lượng DOA của mô hình DOA-CNN và các phương pháp khác khi thiết đặt chính xác vị trí phần tử ăng ten.
10 2.4.4.2. Đánh giá độ chính xác ước lượng DOA khi có sai lệch thiết đặt vị trí các phần tử ăng ten Vị trí các phần tử được giả định: [0; 1,37; 2,35; 2,83, 4,15; 4,85; 6,23; 6,76] /2, sai lệch (ngẫu nhiên) so với vị trí đúng [0; 1; 2; 3; 4; 5; 6; 7] /2 Hình 2.21. Độ chính xác ước lượng DOA của mô hình DOA-CNN và các phương pháp khác khi có sai lệch vị trí phần tử ăng ten 2.4.4.3. Đánh giá độ chính xác ước lượng DOA khi có sai lệch pha và biên độ do đường truyền Suy hao biên độ  = [1; 1,21; 1,09; 1,1; 1,12; 1,22; 1,2; 1,05], sai số pha ∆ = [-5°; 16°; 17°; 8°; 4°; 1°; 35°; 13°] được lựa chọn ngẫu nhiên. Hình 2.22. Độ chính xác ước lượng DOA của mô hình DOA-CNN và các phương pháp khác khi có sai lệch pha và biên độ đường truyền 2.4.4.4. Đánh giá độ chính xác ước lượng DOA khi có sai lệch thiết đặt vị trí các phần tử ăng ten, sai lệch pha và biên độ do đường truyền Kết quả trên hình 2.23. Như vậy, các kết quả mô phỏng trong các trường hợp đã chứng minh hiệu quả của mô hình DOA-CNN trong việc khắc phục các sai số hệ thống, duy trì độ chính xác ước lượng DOA.
11 Hình 2.23. Độ chính xác ước lượng DOA của mô hình DOA-CNN và các phương pháp khác khi có tổng hợp các sai lệch. 2.4.5. So sánh hiệu năng ước lượng DOA của mô hình DOA-CNN với các mô hình học máy, học sâu khác Các thuật toán học máy và học sâu đều có khả năng thích ứng tốt với các sai số hệ thống, cho kết quả tương đối ổn định. Đánh đổi hiệu năng ước lượng DOA tốt nhất được nhìn thấy bởi mô hình DOA-CNN đề xuất. (Hình 2.24) Hình 2.24. So sánh hiệu năng ước lượng DOA của mô hình DOA-CNN và các mô hình học máy, học sâu khác 2.5. Kết luận Chương 2 Kết quả nghiên cứu ở Chương 2 cho thấy hiệu quả của các mô hình mạng CNN kết nối dư: phép cộng (DOA-ResNet), phép nhân (DOA- CNN) đã đề xuất với bài toán định hướng nguồn tín hiệu vô tuyến. Do tiếp cận bài toán phân loại góc, các mô hình này có hạn chế về độ phân giải vì nó sẽ trở nên phức tạp nếu số lượng nhãn góc tăng lên.
12 Chương 3 GIẢI PHÁP NÂNG CAO HIỆU NĂNG ĐỊNH HƯỚNG NGUỒN TÍN HIỆU VÔ TUYẾN BẰNG MẠNG NƠ-RON UNET KẾT HỢP THUẬT TOÁN MUSIC, ROOTMUSIC 3.1. Mạng nơ-ron Unet Unet là mạng nơ-ron học sâu sử dụng các kết nốt tắt để tạo kiến trúc dạng chữ "U". Chương 3 của luận án đề xuất các mô hình mạng Unet tiếp cận bài toán hồi quy nhằm biến đổi ma trận hiệp phương sai không lý tưởng thành ma trận hiệp phương sai lý tưởng, sau đó áp dụng các thuật toán MUSIC hoặc rootMUSIC có độ phân giải cao để xác định hướng đến. 3.2. Nghiên cứu đề xuất mô hình UFCnet kết hợp thuật toán MUSIC, RootMUSIC nâng cao hiệu năng ước lượng DOA 3.2.1. Mô hình tín hiệu tạo tập dữ liệu Mảng ULA 8 phần tử với khoảng cách giữa các phần tử kề nhau là d = /2. Ma trận định hướng của mảng không lý tưởng:  1 1 1    e − jv sin 1 1,2 e − jv sin  2 1, P e − jv sin  P  A( ) =  ˆ  1,1   (3.2)  − jv sin 1 − jv sin  P   M −1,1e   M −1,2 e− jv sin 2  M −1, P e   ˆ ˆ Tập dữ liệu huấn luyện: D{R x | R x } , trong đó R x là ma trận hiệp phương sai đầu vào (chứa sai số), Rx là ma trận hiệp phương sai lý tưởng. 3.2.2. Cấu trúc mô hình UFCnet đề xuất Hình 3.1. Cấu trúc mô hình UFCnet đề xuất
13 Mô hình UFCnet chỉ chứa các lớp kết nối đầy đủ (FC), theo sau là các hàm kích hoạt ELU, có thể phân thành hai phần tương ứng với hai giai đoạn mã hóa và giải mã. Mã hóa bắt đầu từ lớp FC1 đến FC4, giải mã được thực hiện từ FC7 đến FC10. Các lớp FC5 và FC6 đóng vai trò cầu nối. Các kết nối tắt từ phần mã hóa sang phần giải mã nhằm định vị lại vị trí các đặc trưng trong các véc-tơ đầu vào. 3.2.3. Tạo lập dữ liệu, huấn luyện và kiểm tra mô hình Đầu vào là vector trích chọn các đặc trưng từ ma trận hiệp phương sai. Đầu ra là các giá trị dự đoán nhằm khôi phục ma trận hiệp phương sai. 3.2.4. Đánh giá khả năng phân biệt góc ước lượng Sau huấn luyện, mô hình UFCnet kết hợp với thuật toán MUSIC và rootMUSIC được sử dụng để ước lượng DOA của ba nguồn tín hiệu từ các hướng: -40.5o, -10.35o và 30.55o Hình 3.2. Khả năng phân biệt góc ước lượng của UFCnet-MUSIC, UFCnet- RootMUSIC và MUSIC khi SNR = 0 dB Kết quả cho thấy, UFCnet-MUSIC và UFCnet-RootMUSIC cho khả năng phân biệt góc tốt hơn MUSIC. UFCnet-MUSIC cho phổ có đỉnh cao, hẹp hơn MUSIC. UFCNet-RootMUSIC ước lượng bằng cách tính toán trực tiếp nên các góc ước lượng được gần, sát với góc đúng (góc giả định). 3.2.5. Đánh giá độ chính xác ước lượng DOA trong trường hợp mảng ăng ten là lý tưởng Kết quả trên hình 3.3. Với mảng lý tưởng, các phương pháp ước lượng DOA nói chung đều cho độ chính xác tốt theo khả năng vốn có. 3.2.6. Đánh giá độ chính xác ước lượng DOA trong trường hợp mảng có sai lệch vị trí các phần tử, sai pha và biên độ do đường truyền Giả định (ngẫu nhiên): Vị trí các phần tử có sai lệch: {0; 1,37; 2,35; 2,83; 4,15; 4,85; 6,23; 6,76}λ/2, vị trí các phần tử của mảng lý tưởng: {0; 1; 2; 3; 4; 5; 6; 7}λ/2. Sai lệch pha = {-5o; 16o; 17o; 8o; 4o; 1o; 35o; 13o}.
14 Sai lệch biên độ = [1; 1,21;, 1,09; 1,1; 1,12; 1,215; 1,2; 1,05}. Kết quả trên hình 3.4. Các thuật toán ước lượng truyền thống cho sai số rất lớn khi có lỗi hệ thống mảng ăng ten. Mô hình UFCnet thực hiện quá trình tự động mã hóa-tự giải mã, hiệu chỉnh các sai số, giúp nâng cao độ chính xác, độ phân giải (khi kết hợp với RootMUSIC) ước lượng DOA. Hình 3.3. Độ chính xác ước lượng DOA của UFCnet-MUSIC và UFCnet RootMUSIC so với các phương khác khi mảng ăng ten là lý tưởng Hình 3.4. Độ chính xác ước lượng DOA của UFCnet-MUSIC và UFCnet-RootMUSIC so với các phương pháp khác khi mảng ăng ten có lỗi hệ thống 3.3. Nghiên cứu đề xuất mô hình Unet kết hợp thuật toán MUSIC, RootMUSIC nâng cao hiệu năng ước lượng DOA nguồn tín hiệu tương quan 3.3.1. Mô hình tín hiệu tạo lập dữ liệu Xét mảng ULA gồm M phần tử. Ma trận hiệp phương sai của tín hiệu
15 thu được bởi mảng theo chiều từ phần tử 1 đến M là: R x = AR s AH + R N (3.14) Ma trận hiệp phương sai của tín hiệu thu được bởi mảng theo chiều từ phần tử M đến 1 là: R x = (A* )R s (A* )H + R N = AR s A H + R N (3.15) Ma trận hiệp phương sai khi sử dụng kỹ thuật làm mịn không gian thuận ngược được tính toán rút gọn như công thức: Rt = R x + R x = R x + JR J x (3.23) Ma trận hiệp phương sai của tín hiệu thu bởi mảng không lý tưởng: R x = E x(t )x(t ) H  = A( , e)R s A( , e) H +  2 I M ˆ ˆ ˆ (3.26) ˆ Nhiệm vụ của mạng Unet đề xuất là chuyển đổi ma trận R x thành ma trận gần đúng với ma trận Rt . 3.3.2. Cấu trúc mô hình Unet đề xuất Mô hình Unet được chia thành hai phần: phần mã hóa và phần giải ˆ mã. Trong phần mã hóa, ma trận hiệp phương sai R x với kích thước (8×8) đi qua ba giai đoạn của quá trình mã hóa, mỗi giai đoạn chứa hai lớp tích chập theo sau bởi lớp kích hoạt LeakyReLU. Tất cả các phần tử của ma trận hiệp phương sai sẽ được mã hóa thành một véc-tơ với 64 đặc trưng. Sau đó 64 đặc trưng này được giải mã để phục hồi lại thành ma trận hiệp phương sai lý tưởng R t với kích thước (8×8). Mô hình Unet có các kết nối bỏ qua giúp sắp xếp lại vị trí ma trận đặc trưng trong quá trình giải mã. Cấu trúc và tham số của một phiên bản UNet cụ thể được trình bày chi tiết trên Hình 3.5. 3.3.3. Tạo lập dữ liệu, huấn luyện và kiểm tra mô hình ˆ Tập dữ liệu được tạo ra với R x là dữ liệu vào và R t là nhãn đáp ứng. Sau huấn luyện, mô hình Unet được sử dụng để chuyển đổi ma trận R ˆ x thành ma trận R predicted với kỳ vọng R predicted  R t . Sau đó thuật toán MUSIC, RootMUSIC sử dụng R predicted để ước lượng DOA. 3.3.4. Đánh giá khả năng ước lượng DOA nguồn tín hiệu tương quan 03 nguồn đến từ các góc ngẫu nhiên -40.5o, -10.25o và 20.55o được xem xét. Trong đó, tín hiệu thứ nhất và thứ hai tương quan hoàn toàn với nhau, tín hiệu thứ ba không tương quan với tín hiệu thứ nhất và thứ hai.
16 Hình 3.5. Cấu trúc mô hình UNet đề xuất
17 Hình 3.6. Khả năng ước lượng DOA nguồn tín hiệu tương quan bằng phương pháp Unet-MUSIC, Unet-RootMUSIC, MUSIC khi SNR = 1 dB Kết quả trên hình 3.6. Phương pháp kết hợp với Unet có khả năng tạo ra 3 đỉnh phân biệt ứng với 3 góc của tín hiệu tương quan và không tương quan. Unet-RootMUSIC cho độ chính xác tốt nhất. Phương pháp MUSIC thất bại trong việc ước lượng hướng đến nguồn tín hiệu tương quan. 3.3.5. Đánh giá hiệu năng ước lượng DOA khi thay đổi các tham số kênh lọc trong lớp tích chập mô của hình Unet 3.3.5.1. Hiệu năng ước lượng DOA khi thay đổi bộ số lượng kênh lọc Các phiên bản Unet 4, Unet-8, Unet-16, Unet-32 và Unet-64 lần lượt có bộ số lượng kênh lọc là {4, 8, 16, 32}, {8, 16, 32, 64}, {16,32, 64, 128}, {32, 64, 128, 256} và {64, 128, 256, 512}. Kênh lọc có kích thước 3×3. Kết quả mô phỏng so sánh 5 phiên bản Unet thể hiện trên Hình 3.7. Hình 3.7. Độ chính xác ước lượng DOA khi thay đổi bộ số kênh lọc lớp tích chập mô hình Unet Có thể nhận thấy, khi tăng số lượng kênh lọc thì sai số quân phương ước lượng DOA giảm.
18 Thời gian thực thi, số lượng trọng số các phiên bản Unet có trong Bảng 3.1. Kết hợp các tiêu chí về độ chính xác, thời gian thực thi, số lượng trọng số, có thể rút ra: đánh đổi hiệu năng đạt được tốt nhất ở Unet-16. Bảng 3.1. Thời gian thực thi, số lượng trọng số của các phiên bản Unet 3.3.5.2. Hiệu năng ước lượng DOA khi thay đổi kích thước kênh lọc Cấu trúc Unet-16 được chọn, có các kích thước kênh lọc gồm 2×2, 3×3, 4×4, 5×5 và 6×6. Kết quả mô phỏng trên Hình 3.8. Có thể thấy, mô hình kích thước kênh lọc 2×2 cho độ chính xác kém nhất. Mô hình kích thước kênh lọc 3×3 đạt độ chính xác tốt (RMSE thấp), thậm chí tốt hơn mô hình 4×4, và gần bằng hai mô hình 5×5 và 6×6. Từ các kết quả đạt được và rút ra như trên, mô hình Unet-16 với kích thước 3×3 được lựa chọn cho những nghiên cứu tiếp theo. Hình 3.8. Độ chính xác ước lượng DOA khi thay đổi kích thước kênh lọc lớp tích chập mô hình Unet 3.3.6. Đánh giá độ chính xác ước lượng DOA khi thay đổi số lượng phần tử mảng ăng ten Kết quả trên hình 3.9 cho thấy, số lượng phần tử lớn làm cho khẩu độ mảng